Konzepte & Klassifizierung
In diesem Kapitel werden verschiedene Konzepte und Klassifizierungen der Modellierung erörtert.
Modelle & Events
Im Folgenden finden Sie die Grundkonzepte von Modellierung und Simulation.
Object ist eine Einheit, die in der realen Welt existiert, um das Verhalten eines Modells zu untersuchen.
Base Model ist eine hypothetische Erklärung der Objekteigenschaften und ihres Verhaltens, die im gesamten Modell gültig ist.
System ist das artikulierte Objekt unter bestimmten Bedingungen, das in der realen Welt existiert.
Experimental Framewird verwendet, um ein System in der realen Welt zu untersuchen, z. B. experimentelle Bedingungen, Aspekte, Ziele usw. Der grundlegende experimentelle Rahmen besteht aus zwei Variablensätzen - den Rahmeneingabevariablen und den Rahmenausgabevariablen, die dem System oder den Modellterminals entsprechen. Die Frame-Eingabevariable ist dafür verantwortlich, die auf das System oder ein Modell angewendeten Eingaben abzugleichen. Die Frame-Ausgabevariable ist dafür verantwortlich, die Ausgabewerte an das System oder ein Modell anzupassen.
Lumped Model ist eine genaue Erklärung eines Systems, das den spezifizierten Bedingungen eines gegebenen experimentellen Rahmens folgt.
Verificationist der Prozess des Vergleichens von zwei oder mehr Elementen, um deren Genauigkeit sicherzustellen. In Modeling & Simulation kann die Überprüfung durchgeführt werden, indem die Konsistenz eines Simulationsprogramms und des konzentrierten Modells verglichen wird, um deren Leistung sicherzustellen. Es gibt verschiedene Möglichkeiten, einen Validierungsprozess durchzuführen, die wir in einem separaten Kapitel behandeln werden.
Validationist der Prozess des Vergleichs zweier Ergebnisse. In Modeling & Simulation wird die Validierung durchgeführt, indem experimentelle Messungen mit den Simulationsergebnissen im Kontext eines experimentellen Rahmens verglichen werden. Das Modell ist ungültig, wenn die Ergebnisse nicht übereinstimmen. Es gibt verschiedene Möglichkeiten, einen Validierungsprozess durchzuführen, die wir in einem separaten Kapitel behandeln werden.
Systemstatusvariablen
Die Systemstatusvariablen sind ein Datensatz, der erforderlich ist, um den internen Prozess innerhalb des Systems zu einem bestimmten Zeitpunkt zu definieren.
In einem discrete-event modelbleiben die Systemzustandsvariablen über Zeitintervalle konstant und die Werte ändern sich an definierten Punkten, die als Ereigniszeiten bezeichnet werden.
Im continuous-event modelDie Systemzustandsvariablen werden durch Differentialgleichungsergebnisse definiert, deren Wert sich im Laufe der Zeit kontinuierlich ändert.
Im Folgenden sind einige der Systemstatusvariablen aufgeführt:
Entities & Attributes- Eine Entität stellt ein Objekt dar, dessen Wert je nach Prozess mit anderen Entitäten statisch oder dynamisch sein kann. Attribute sind die lokalen Werte, die von der Entität verwendet werden.
Resources- Eine Ressource ist eine Entität, die gleichzeitig eine oder mehrere dynamische Entitäten bedient. Die dynamische Entität kann eine oder mehrere Einheiten einer Ressource anfordern. Wenn dies akzeptiert wird, kann die Entität die Ressource verwenden und nach Abschluss freigeben. Wenn dies abgelehnt wird, kann die Entität einer Warteschlange beitreten.
Lists- Listen werden verwendet, um die Warteschlangen darzustellen, die von den Entitäten und Ressourcen verwendet werden. Je nach Prozess gibt es verschiedene Möglichkeiten für Warteschlangen wie LIFO, FIFO usw.
Delay - Es ist eine unbestimmte Dauer, die durch eine Kombination von Systembedingungen verursacht wird.
Klassifizierung von Modellen
Ein System kann in die folgenden Kategorien eingeteilt werden.
Discrete-Event Simulation Model- In diesem Modell ändern sich die Werte der Zustandsvariablen nur zu bestimmten diskreten Zeitpunkten, zu denen die Ereignisse auftreten. Ereignisse treten nur zur definierten Aktivitätszeit und zu Verzögerungen auf.
Stochastic vs. Deterministic Systems - Stochastische Systeme sind nicht von Zufälligkeit betroffen und ihre Ausgabe ist keine Zufallsvariable, während deterministische Systeme von Zufälligkeit betroffen sind und ihre Ausgabe eine Zufallsvariable ist.
Static vs. Dynamic Simulation- Die statische Simulation umfasst Modelle, die nicht von der Zeit betroffen sind. Zum Beispiel: Monte-Carlo-Modell. Die dynamische Simulation umfasst Modelle, die von der Zeit betroffen sind.
Discrete vs. Continuous Systems- Das diskrete System ist zu einem diskreten Zeitpunkt von den Änderungen der Zustandsvariablen betroffen. Sein Verhalten ist in der folgenden grafischen Darstellung dargestellt.
Das kontinuierliche System wird von der Zustandsvariablen beeinflusst, die sich mit der Zeit kontinuierlich ändert. Sein Verhalten ist in der folgenden grafischen Darstellung dargestellt.
Modellierungsprozess
Der Modellierungsprozess umfasst die folgenden Schritte.
Step 1- Untersuchen Sie das Problem. In dieser Phase müssen wir das Problem verstehen und seine Klassifizierung entsprechend auswählen, z. B. deterministisch oder stochastisch.
Step 2- Entwerfen Sie ein Modell. In dieser Phase müssen wir die folgenden einfachen Aufgaben ausführen, die uns beim Entwerfen eines Modells helfen:
Sammeln Sie Daten gemäß dem Systemverhalten und zukünftigen Anforderungen.
Analysieren Sie die Systemfunktionen, ihre Annahmen und die erforderlichen Maßnahmen, um das Modell erfolgreich zu machen.
Bestimmen Sie die im Modell verwendeten Variablennamen, Funktionen, Einheiten, Beziehungen und deren Anwendungen.
Lösen Sie das Modell mit einer geeigneten Technik und überprüfen Sie das Ergebnis mithilfe von Überprüfungsmethoden. Überprüfen Sie als Nächstes das Ergebnis.
Bereiten Sie einen Bericht vor, der Ergebnisse, Interpretationen, Schlussfolgerungen und Vorschläge enthält.
Step 3- Geben Sie Empfehlungen ab, nachdem Sie den gesamten Prozess in Bezug auf das Modell abgeschlossen haben. Es umfasst Investitionen, Ressourcen, Algorithmen, Techniken usw.